本發(fā)明涉及智能軟件工程，尤其是一種基于邏輯推理和溯因矯正的云api互補推薦方法。

背景技術(shù)：

1、在云時代，云api是服務(wù)交付、數(shù)據(jù)交換和能力復(fù)制的最佳載體。動態(tài)開放網(wǎng)絡(luò)中云api的指數(shù)級增長為開發(fā)者提供了更多的選擇，但同時也使開發(fā)者淹沒在海量的云api之中。因此，設(shè)計有效的云api推薦方法對于云api經(jīng)濟的健康發(fā)展至關(guān)重要?，F(xiàn)有的云api推薦方法主要從用戶側(cè)歷史交互、功能側(cè)內(nèi)容匹配、非功能側(cè)服務(wù)質(zhì)量感知三個視角，為開發(fā)者推薦偏好相近、功能單一、質(zhì)量高的云api。

2、但是，現(xiàn)有的云api推薦方法忽略了開發(fā)者對互補云api的需要。而現(xiàn)有互補關(guān)系建模方法往往從共同調(diào)用視角下對強互補關(guān)系進行建模，然而其忽略了從功能共現(xiàn)視角下對弱互補關(guān)系進行建模，并且未能有效的消解替補噪聲的影響。此外，現(xiàn)有的云api推薦方法是一步生成推薦結(jié)果，未考慮對推薦結(jié)果進行矯正從而進一步提升推薦效果。

技術(shù)實現(xiàn)思路

1、本發(fā)明需要解決的技術(shù)問題是提供一種基于邏輯推理和溯因矯正的云api互補推薦方法，能夠?qū)パa關(guān)系進行有效建模并對推薦結(jié)果進行矯正，為用戶提供了更精準(zhǔn)的云api推薦，有效滿足服務(wù)化軟件開發(fā)過程中開發(fā)者對互補云api的客觀需求。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：

3、一種基于邏輯推理和溯因矯正的云api互補推薦方法，包括以下步驟：

4、s1、將查詢云api轉(zhuǎn)換為對應(yīng)的概率嵌入向量；

5、s2、利用邏輯推理單元得到每個查詢云api對應(yīng)的互補嵌入向量；

6、s3、利用注意力網(wǎng)絡(luò)得到和查詢集整體互補的互補基向量；

7、s4、利用互補基向量和候選云api間的kl散度得到互補得分；

8、s5、按互補得分從大到小對候選云api進行排序，得到互補推薦列表；

9、s6、利用溯因模型推斷得到與推薦結(jié)果最有可能互補的原因；

10、s7、利用推斷原因和真實原因之間的差異得到溯因損失；

11、s8、以溯因損失最小化反向傳播矯正推薦結(jié)果；

12、s9、按矯正后的互補得分對候選云api從大到小重新排序。

13、本發(fā)明技術(shù)方案的進一步改進在于：在s1中，具體包括：將查詢集q中的每個查詢云api轉(zhuǎn)換為對應(yīng)的概率嵌入向量：

14、peu(qi)＝e(qi)

15、e(qi)＝([eαi_1,eαi_2,...,eαi_d],[eβi_1,eβi_2,...,eβi_d])＝[αi,βi]

16、其中，peu是概率嵌入單元；e(qi)為查詢云api?qi對應(yīng)的beta概率嵌入向量；beta概率嵌入向量由α和β兩個參數(shù)決定；每個查詢云api包含d個隱特征，查詢云api?qi第k個隱特征由beta分布beta(eαi_k,eβi_k)表示。

17、本發(fā)明技術(shù)方案的進一步改進在于：在s2中，具體包括以下步驟：

18、s2.1、設(shè)計在關(guān)系約束r下的投影算子pjr，如下式所示：

19、pjr(e(qi))＝mlp(concat(e(r),e(qi)))

20、其中，關(guān)系約束r包括替補約束sc以及共同調(diào)用約束cc；mlp為多層感知機；e(r)為關(guān)系約束r對應(yīng)的beta概率嵌入向量；e(qi)為查詢云api?qi對應(yīng)的beta概率嵌入向量；

21、經(jīng)過投影算子pjr可得到查詢云api在關(guān)系約束r下的嵌入向量；

22、s2.2、設(shè)計取反算子ng，如下式所示：

23、ng(e(qi))＝e(qi)ng

24、其中，e(qi)ng是取反后的嵌入向量；

25、s2.3、設(shè)計交并算子is，如下式所示：

26、is(e(q1),...,e(qn))＝e(q)is

27、其中，e(q)is為應(yīng)用交并算子后得到的嵌入向量；

28、s2.4、互補關(guān)系邏輯推理：

29、首先對每個查詢云api?q對應(yīng)的嵌入向量e(q)進行在替補約束sc下的投影，得到與查詢云api具有替補關(guān)系的嵌入向量，之后進行在共同調(diào)用約束cc下的投影；此時，得到與查詢云api具有弱互補關(guān)系的嵌入向量e(q)sc-cc，如下式所示：

30、e(q)sc-cc＝pjcc(pjsc(e(q)))

31、由于任意云api均為其自身替補，故e(q)sc-cc也兼顧了強互補關(guān)系；

32、s2.5、非替補關(guān)系邏輯推理：

33、首先對每個查詢云api?q對應(yīng)的嵌入向量e(q)進行在替補約束sc下的投影，得到與查詢云api具有替補關(guān)系的嵌入向量；之后再利用取反算子得到嵌入向量e(q)sc-ng，進而消去替補噪聲帶來的影響，如下式所示：

34、e(q)sc-ng＝ng(pjsc(e(q)))

35、s2.6、應(yīng)用交并算子得到查詢云api?q的互補嵌入向量e(q)is，如下式所示：

36、e(q)is＝is(e(q)sc-cc,e(q)sc-ng)

37、通過s2.4、s2.5、s2.6的推理，得到兼顧強弱互補關(guān)系、消解替補噪聲影響的邏輯推理單元。

38、本發(fā)明技術(shù)方案的進一步改進在于：在s3中，具體包括：利用注意力網(wǎng)絡(luò)att得到和查詢集q整體互補的互補基向量e(q)base，如下式所示：

39、e(q)base＝att({e(q1),...e(qt),...e(qt)})

40、采用注意力網(wǎng)絡(luò)是因為不同的查詢云api對于產(chǎn)生推薦結(jié)果的重要程度不同，并且要求推薦的候選云api與查詢集整體互補。

41、本發(fā)明技術(shù)方案的進一步改進在于：在s4中，具體包括：利用互補基向量e(q)base和候選云api?c嵌入向量e(c)之間的kl散度得到互補得分y，如下式所示：

42、

43、其中，ε為超參并且其值大于0；d為云api含有隱特征的數(shù)量；qj(x)是e(q)base第j個隱特征對應(yīng)的概率密度函數(shù)；pj(x)為e(c)第j個隱特征對應(yīng)的概率密度函數(shù)；kl散度可度量兩個概率分布函數(shù)之間的距離；

44、e(q)base和e(c)隱特征之間的距離越小則查詢集和候選云api之間的互補程度越高，亦即互補得分越大。

45、本發(fā)明技術(shù)方案的進一步改進在于：在s5中，具體包括：按互補得分從大到小對候選云api進行排序，得到互補推薦列表crl，如下式所示：

46、

47、其中，ci為排序后第i個候選云api；為ci對應(yīng)的互補得分。

48、本發(fā)明技術(shù)方案的進一步改進在于：在s6中，具體包括以下步驟：

49、s6.1、因為推薦結(jié)果由查詢集產(chǎn)生，故查詢集中任意查詢云api均能作為產(chǎn)生推薦結(jié)果的真實原因qt，如下式所示：

50、sample(q)＝qt

51、其中，sample采用的是隨機采樣；

52、s6.2、為了防止引入過多不相關(guān)信息從而導(dǎo)致過矯正現(xiàn)象，只選取crl中前kac個候選云api作為溯因和矯正的對象，如下式所示：

53、

54、其中，l為溯因任務(wù)的輸入以及需要被矯正的候選云api列表；

55、s6.3、為了刻畫不同候選云api的重要程度，將候選云api對應(yīng)的互補得分轉(zhuǎn)換為權(quán)重，如下式所示：

56、

57、其中，為候選云apicj對應(yīng)的權(quán)重；σ為sigmoid激活函數(shù)；γ為超參并且其值大于0用于平滑激活后的互補得分；

58、s6.4、利用得到的權(quán)重生成綜合云api如下式所示：

59、

60、綜合云api代表了步驟s5產(chǎn)生的推薦結(jié)果；

61、s6.5、利用溯因模型fam推斷得到與推薦結(jié)果最有可能互補的原因如下式所示：

62、

63、溯因模型fam與互補推薦階段采用的方法具有相同的結(jié)構(gòu)；yqt越大則說明推斷原因與真實原因qt之間的差異越小。

64、本發(fā)明技術(shù)方案的進一步改進在于：在s7中，具體包括：利用推斷原因和真實原因qt之間的差異得到溯因損失aloss，如下式所示：

65、

66、其中，σ為sigmoid激活函數(shù)；代表推斷原因和真實原因qt之間的差異。

67、本發(fā)明技術(shù)方案的進一步改進在于：在s8中，具體包括：以溯因損失最小化反向傳播矯正推薦結(jié)果，如下式所示：

68、

69、其中，為候選云api?cj對應(yīng)的互補得分，并且cj∈l。

70、本發(fā)明技術(shù)方案的進一步改進在于：在s9中，具體包括：按矯正后的互補得分對候選云api從大到小重新排序，如下式所示：

71、crl′＝rank(l)

72、其中，crl′為重新排序之后的互補推薦列表。

73、由于采用了上述技術(shù)方案，本發(fā)明取得的技術(shù)進步是：

74、1、本發(fā)明將每個查詢云api轉(zhuǎn)換為對應(yīng)的概率嵌入向量；通過邏輯推理單元得到每個查詢云api對應(yīng)的互補嵌入向量；利用注意力網(wǎng)絡(luò)得到和查詢集整體互補的互補基向量；利用互補基向量和候選云api之間的kl散度得到互補得分；按互補得分從大到小排序生成互補推薦列表；利用溯因模型推斷得到和推薦結(jié)果最有可能互補的原因；利用推斷原因和真實原因之間的差異得到溯因損失；以溯因損失最小化反向傳播矯正推薦結(jié)果；對已矯正的候選云api從大到小重新排序；與絕大多數(shù)方法相比，其在云api互補的維度進行服務(wù)推薦，能夠滿足開發(fā)者對互補云api推薦的實際需要。

75、2、本發(fā)明中利用邏輯推理單元結(jié)合云api共同調(diào)用以及功能共現(xiàn)對互補關(guān)系進行建模，并且能夠有效消解替補噪聲的影響。

76、3、不同于傳統(tǒng)方案不能對推薦結(jié)果進行矯正，本發(fā)明提供的基于邏輯推理和溯因矯正的云api互補推薦方法可以通過溯因矯正對推薦結(jié)果進行矯正，從而進一步提升推薦效果。